Naukowcy opublikowali systematyczny przegląd literatury obejmujący 212 studów na temat zastosowania Physics-Informed Machine Learning w Prognostics and Health Management. Badanie wykazuje, że integracja wiedzy fizycznej bezpośrednio w procesy uczenia maszynowego skutecznie poprawia możliwości prognozowania i diagnostyki systemów przemysłowych.
Przegląd wprowadza czterostopniową klasyfikację podejść: bias obserwacyjny, bias indukcyjny, bias uczenia oraz podejścia hybrydowe. Analizie poddano aplikacje w różnych gałęziach przemysłu, choć literatura przeważnie skupia się na akumulatorach litowo-jonowych i łożyskach tocznych. Wszystkie cztery kategorie wykazały polepszenie wydajności predykcyjnej w porównaniu z tradycyjnymi modelami, jednak większość rozwiązań ma charakter problemowo-specyficzny.
Choć PIML demonstruje wymierne korzyści w praktyce, badanie wskazuje że wiele wniosków dotyczących rozwiązania innych limitacji czystych modeli data-driven - takich jak brak interpretowności czy niemożność wnioskowania związków przyczynowych - wymaga silniejszego wsparcia empirycznego. Przyszłe badania powinny skupić się na transferowaniu wiedzy między różnymi typami systemów i zastosowaniami.